| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-21页 |
| 1.1 课题背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-19页 |
| 1.2.1 电力系统静态稳定研究现状 | 第11-13页 |
| 1.2.2 深度学习研究现状 | 第13-18页 |
| 1.2.3 基于神经网络的电力系统静态稳定预测方法 | 第18-19页 |
| 1.3 本文的主要工作 | 第19页 |
| 1.4 论文结构安排 | 第19-21页 |
| 第二章 电力系统静态电压稳定性分析 | 第21-27页 |
| 2.1 引言 | 第21页 |
| 2.2 电压失稳的静态机理解释 | 第21-22页 |
| 2.3 静态电压稳定裕度指标 | 第22-23页 |
| 2.4 连续潮流法计算原理 | 第23-26页 |
| 2.5 小结 | 第26-27页 |
| 第三章 深度神经网络理论 | 第27-35页 |
| 3.1 引言 | 第27页 |
| 3.2 人工神经网络 | 第27-30页 |
| 3.2.1 人工神经元模型 | 第27-29页 |
| 3.2.2 多层感知器 | 第29-30页 |
| 3.3 卷积神经网络 | 第30-32页 |
| 3.3.1 卷积神经网络的结构 | 第30-32页 |
| 3.3.2 卷积神经网络的训练 | 第32页 |
| 3.4 高效的深度学习工具 | 第32-34页 |
| 3.4.1 GPU&Cuda | 第33页 |
| 3.4.2 Tensorflow&Keras | 第33-34页 |
| 3.5 小结 | 第34-35页 |
| 第四章 基于深度神经网络的静态稳定裕度预测方案 | 第35-45页 |
| 4.1 引言 | 第35页 |
| 4.2 连续潮流仿真 | 第35-37页 |
| 4.3 深度神经网络结构 | 第37-40页 |
| 4.3.1 卷积层 | 第38-39页 |
| 4.3.2 激活函数 | 第39-40页 |
| 4.3.3 池化层 | 第40页 |
| 4.3.4 全连接层 | 第40页 |
| 4.4 深度神经网络训练 | 第40-44页 |
| 4.4.1 参数初始化 | 第41页 |
| 4.4.2 前向传播 | 第41-42页 |
| 4.4.3 反向传播 | 第42-43页 |
| 4.4.4 参数更新 | 第43页 |
| 4.4.5 处理过拟合 | 第43-44页 |
| 4.5 小结 | 第44-45页 |
| 第五章 实验设计与结果验证 | 第45-52页 |
| 5.1 连续潮流仿真数据 | 第45-46页 |
| 5.2 深度神经网络模型设置 | 第46-47页 |
| 5.3 极限负荷预测结果分析 | 第47-51页 |
| 5.4 小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 致谢 | 第58页 |